Case-Based e-Learning Experiences of Second-Year Veterinary Students in a Clinical Medicine Course at the Ontario Veterinary College
Notice bibliographique
Résumé
Exposure to real-life clinical cases has been regarded as the optimal method of achieving deep learning in medical education. Case-based e-learning (CBEL) has been considered a promising alterative to address challenges in the availability of teaching cases and standardizing case exposure. While the use of CBEL has been positive in veterinary medical education, insight into students' learning experience with a CBEL tool have not been considered. This article investigates students' views around the utility and usability of a CBEL tool, as well as perceived effectiveness, clinical confidence, and impact of veterinary students' learning preferences on CBEL use. Through focus groups as well as pre- and post-use questionnaires, students expressed that the design and utility of the online cases, including their authenticity, played an instrumental role in perspectives and acceptance of the CBEL tool. Students perceived the CBEL tool as highly effective in both achieving CBEL outcomes and teaching a methodical approach to a clinical case. CBEL elements were also perceived to potentially contribute to increased clinical confidence after CBEL use. Additionally, exploration of students' preferred approach to learning revealed that hands-on learners and those who prefer to learn by practicing and applying knowledge were more likely to show positive perceptions of a CBEL tool. This article's findings can help guide educators in the future design and implementation of online cases in various capacities and provide a platform for further exploration of the effectiveness and use of CBEL in veterinary medical education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».